論文の概要: Simulating Eating Disorder Patients with LLMs: Evaluating Psychological Persona Stability in Multi-Turn Conversations

• arxiv url: http://arxiv.org/abs/2606.26109v1
• Date: Tue, 12 May 2026 12:11:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-27 00:46:12.945928
• Title: Simulating Eating Disorder Patients with LLMs: Evaluating Psychological Persona Stability in Multi-Turn Conversations
• Title（参考訳）: LLMにおける摂食障害のシミュレーション:多言語会話における心理的ペルソナ安定性の評価
• Abstract要約: 臨床患者の言語モデル(LLM)に基づくシミュレーションは、研究や訓練にますます利用されている。 本研究は,5件のビグネットに接地した摂食障害ペルソナを用いて,この前提条件を評価する。 LLMはパラドックス的に安定しすぎ、不正確であることがわかった。
• 参考スコア（独自算出の注目度）: 17.241602664676158
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language model (LLM)-based simulations of clinical patients are increasingly used for research and training, yet their validity requires persona stability: coherent maintenance of an assigned psychological profile across and within conversations. We evaluate this prerequisite using eating disorder personas grounded in five published case vignettes, a dual-assessment framework (self-report + independent observer ratings), and validated psychometric instruments (EDE-Q) with known ground-truth scores. Across six LLMs and two experiments (between-conversation stability (Exp. I) and within-conversation stability (Exp. II)), we find that LLMs are paradoxically too stable and too inaccurate: variability is negligible, yet all models systematically overshoot ground-truth severity by 12-30% of the scale range (0.7-1.8 points on a 0-6 scale). The mechanism is selective stereotyping: models differentiate cases on behavioural items (dietary restraint) but maximise cognitive-affective items (body dissatisfaction, weight preoccupation) at ceiling regardless of case severity. Additional conversational context does not improve accuracy; it compounds the overshoot. LLMs can portray severe eating pathology but lack a representation of moderate clinical presentations, a "missing middle".
• Abstract（参考訳）: 臨床患者の大規模言語モデル(LLM)に基づくシミュレーションは、研究や訓練にますます利用されているが、その妥当性はペルソナの安定性を必要としている。 本研究は,5つのケース・ヴィグネットを基盤とした摂食障害ペルソナ,2つの評価枠組み(自己報告+独立オブザーバ評価),および既知の地味スコアを用いた心理測定器(EDE-Q)を用いて,その前提条件を評価する。 6つのLLMと2つの実験(Exp.I)とinside-conversation stability(Exp.II))で、LLMはパラドックス的に安定すぎて不正確なことが判明した。 このメカニズムは選択的ステレオタイピング(英語版)であり、モデルは行動的アイテム(食事抑制)のケースを区別するが、ケースの重大さに関わらず、天井で認知的影響のあるアイテム(身体の不満、体重の偏り)を最大化する。 追加の会話コンテキストでは精度は向上せず、オーバーシュートを合成する。 LLMは深刻な摂食病理を描写できるが、中程度の臨床的プレゼンテーションの表現が欠如している。

関連論文リスト

• Evaluating Large Language Models on Misconceptions in Multi-Turn Medical Conversations [5.63130104359934]
  ThReadMed-QAは、2,437人の患者と物理学者の会話スレッドのマルチターン医療対話データセットである。 このデータセットは、モデルがマルチターンコンテキスト下で誤解を検出し、修正できるかどうかを体系的に評価することを可能にする。 実験では、単一相互作用における誤解に対処できるフロンティアモデルでさえ、その後のターンよりも大幅に劣化する、一貫したパターンを明らかにした。
  論文  参考訳（メタデータ） (2026-07-14T15:30:37Z)
• Beyond Scalar Scores: Exploring LLM-based Metrics for Clinical Significance Evaluation in Radiology Reports [49.5225801722164]
  既存のメトリクスは、医学的に根拠のないスカラーにレポートの品質を低下させることによって、この要件を曖昧にしている。 テストベッドとしてReEvalMedベンチマークを用いて,この境界について検討し,計量レベルの臨床的意義を評価する。
  論文  参考訳（メタデータ） (2026-06-17T08:10:30Z)
• Stress-testing medical large language models reveals latent safety pathology beyond benchmark accuracy [25.403894453021817]
  大規模言語モデル(LLM)は、安全関連障害モードの検出に失敗する可能性のあるベンチマーク精度に基づいて臨床実践を行っている。 本稿では, 肝疾患からのメタボリックストレステストの論理を臨床摂動評価に適用する, ストレス監査フレームワークであるAI-MASLDを提案する。
  論文  参考訳（メタデータ） (2026-06-06T01:39:14Z)
• When Symptoms Are Not Enough: Evidence-Weighting Patterns in Large Language Model Psychiatric Screening [3.840718882315825]
  今回我々は,不安障害,大うつ病,外傷後ストレス障害,現在の精神疾患の診断ラベルと組み合わせた555件の半構造化体験面接のSCIDアンコールベンチマークを紹介した。 誤陰性誤りが精神医学的根拠の欠如や症状の差分重み付け,機能障害,保護的内容の手がかりを反映しているかどうかを検討した。 GPT-4.1 MiniとGPT-5 Miniは最も一貫性のある障害特異的な精度を示した。
  論文  参考訳（メタデータ） (2026-05-22T01:53:03Z)
• Statistics, Not Scale: Modular Medical Dialogue with Bayesian Belief Engine [51.722324399751294]
  大規模言語モデルは、自律的な診断エージェントとしてますますデプロイされているが、基本的に異なる2つの機能を説明する。 本稿では,言語と推論を厳格に分離するモジュール型診断対話フレームワークBMBEを紹介する。
  論文  参考訳（メタデータ） (2026-04-21T21:59:57Z)
• MedDialBench: Benchmarking LLM Diagnostic Robustness under Parametric Adversarial Patient Behaviors [3.346370180968566]
  MedDialBenchは、患者個々の行動次元が診断の堅牢性にどのように影響するかを制御し、量的応答で評価できるベンチマークである。 患者の行動は、論理的一貫性、健康認知、表現スタイル、開示、態度の5つの次元に分解される。 この制御された因子設計により、感度解析、線量応答プロファイリング、およびクロス次元相互作用検出が可能となる。
  論文  参考訳（メタデータ） (2026-04-08T09:09:08Z)
• Persistent Instability in LLM's Personality Measurements: Effects of Scale, Reasoning, and Conversation History [7.58175460763641]
  400B+モデルでさえ、相当な応答変動を示す。 連鎖推論、詳細なペルソナ指導、会話履歴の含意など、行動の安定化を期待する介入は、パラドックス的に変動を増大させる。 予測可能な行動を必要とする安全クリティカルなアプリケーションに対しては,人格に基づくアライメント戦略が根本的に不十分である可能性が示唆された。
  論文  参考訳（メタデータ） (2025-08-06T19:11:33Z)
• LlaMADRS: Prompting Large Language Models for Interview-Based Depression Assessment [75.44934940580112]
  LlaMADRSは、オープンソースのLarge Language Models(LLM)を利用して、うつ病の重症度評価を自動化する新しいフレームワークである。 本研究は,クリニカルインタヴューの解釈・スコアリングにおけるモデル指導のために,慎重に設計された手がかりを用いたゼロショットプロンプト戦略を用いている。 実世界における236件のインタビューを対象とし,臨床評価と強い相関性を示した。
  論文  参考訳（メタデータ） (2025-01-07T08:49:04Z)
• Evaluating Large Language Models with Psychometrics [59.821829073478376]
  本稿では,Large Language Models (LLMs) の心理的構造を定量化するための総合的ベンチマークを提案する。 私たちの研究は、13のデータセットで評価された5つの重要な心理的構成要素、人格、価値観、感情的知性、心の理論、自己効力性を特定します。 LLMの自己報告特性と実際のシナリオにおける応答パターンとの間に大きな相違が発見され,その挙動の複雑さが明らかになった。
  論文  参考訳（メタデータ） (2024-06-25T16:09:08Z)
• WellDunn: On the Robustness and Explainability of Language Models and Large Language Models in Identifying Wellness Dimensions [46.60244609728416]
  言語モデル (LMs) は, 予後不良のリスクが高まれば, 臨床実習におけるモデルの実用性に対するリトマステストにはならない可能性がある, メンタルヘルスの分野では, 言語モデル (LMs) が提案されている。 ウェルネス次元(WD)の同定におけるLMの堅牢性と説明性に着目した評価設計を提案する。 LM/LLMの4つの驚くべき結果が明らかになった。
  論文  参考訳（メタデータ） (2024-06-17T19:50:40Z)
• Uncertainty-Based Abstention in LLMs Improves Safety and Reduces Hallucinations [63.330182403615886]
  大きな言語モデル(LLM)の実践的デプロイに対する大きな障壁は、信頼性の欠如である。 このことが特に顕著な3つの状況は、正しさ、未解決の質問に対する幻覚、安全性である。 人間のように、不確実性を理解する能力があるため、私たちが知らない質問への答えを控えるべきです。
  論文  参考訳（メタデータ） (2024-04-16T23:56:38Z)
• "Knowing When You Don't Know": A Multilingual Relevance Assessment Dataset for Robust Retrieval-Augmented Generation [90.09260023184932]
  Retrieval-Augmented Generation (RAG) は、外部の知識源を活用して、事実の幻覚を減らすことで、Large Language Model (LLM) を出力する。 NoMIRACLは18言語にまたがるRAGにおけるLDM堅牢性を評価するための人為的アノテーション付きデータセットである。 本研究は,<i>Halucination rate</i>,<i>Halucination rate</i>,<i>Halucination rate</i>,<i>Sorucination rate</i>,<i>Sorucination rate</i>,<i>Sorucination rate</i>,<i>Sorucination rate</i>,<i>Sorucination rate</i>,<i>Sorucination rate</i>,<i>Sr。
  論文  参考訳（メタデータ） (2023-12-18T17:18:04Z)
• Revisiting the Reliability of Psychological Scales on Large Language Models [62.57981196992073]
  本研究の目的は,大規模言語モデルにパーソナリティアセスメントを適用することの信頼性を明らかにすることである。 GPT-3.5、GPT-4、Gemini-Pro、LLaMA-3.1などのモデル毎の2,500設定の分析により、様々なLCMがビッグファイブインベントリに応答して一貫性を示すことが明らかになった。
  論文  参考訳（メタデータ） (2023-05-31T15:03:28Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。